DTMC-анализ для URLLC-трафика с proactive HARQ позволяет учитывать задержки обратной связи и точнее планировать ресурсы. Это критично для систем с жесткими SLA по latency и reliability.
В системах URLLC деградация начинается не на уровне радиоканала, а на уровне планирования. Периодические потоки конкурируют за ограниченные слоты, и даже небольшая ошибка в оценке retransmission поведения приводит к нарушению deadline. Proactive HARQ улучшает эффективность за счет early termination, но добавляет сложность: ACK приходит с задержкой (HARQ RTT), и передатчик продолжает слать избыточные пакеты. Классические модели игнорируют этот эффект или упрощают его до одного слота, что приводит к завышенной оценке reliability и schedulability.
Предложенное решение опирается на DTMC анализ URLLC с расширением пространства состояний. Вместо фиксированного числа повторов модель учитывает вероятностную природу успешной доставки и задержку наблюдаемости ACK. Это позволяет вычислить минимальное число transmission opportunities для каждого пакета с учетом его deadline и требуемой надежности. Важный компромисс: модель становится вычислительно сложнее, но точнее отражает поведение системы. Для поиска конфигурации используется двухэтапный подход: сначала проверяется синхронный запуск потоков, затем применяется генетический алгоритм для подбора offset’ов.
Реализация строится вокруг state expansion. Каждый пакет моделируется как набор состояний, включая промежуточные этапы ожидания ACK. HARQ RTT явно кодируется как цепочка под-состояний, через которые система проходит детерминированно. Переход к следующему пакету возможен только после достижения состояния с наблюдаемым ACK. Это устраняет оптимистичное предположение о мгновенной обратной связи. Далее система анализируется послотно: обновляется распределение вероятностей состояний и проверяются условия reliability и latency. Если пакет достигает целевой вероятности доставки, его состояние агрегируется и исключается из дальнейшего анализа. Поверх этой модели строится schedulability test и алгоритм подбора offset’ов.
Результаты показывают, что учет HARQ RTT меняет картину планирования. Метод демонстрирует более высокую schedulability по сравнению с reactive HARQ и K-repetition, особенно при высокой загрузке. При этом вычислительная нагрузка остается приемлемой, хотя возрастает в сложных сценариях. Важно, что улучшение достигается не только за счет механизма proactive HARQ, а за счет корректного анализа его поведения. Также наблюдается снижение избыточных передач, что указывает на более эффективное использование ресурсов. Точные метрики зависят от сценария, но в исходных данных подтверждается устойчивое преимущество подхода.
В индустриальном контексте это выглядит как эволюционное улучшение моделей планирования. Подход с DTMC закрывает разрыв между теоретическими гарантиями и реальным поведением 5G NR, где feedback delay и slot-level эффекты нельзя игнорировать. Это особенно важно для cyber-physical систем, где ошибка планирования может привести не только к деградации QoS, но и к нарушению безопасности.
Источник информации
arXiv — крупнейший открытый репозиторий препринтов (с 1991 года, под эгидой Корнелла), где исследователи оперативно размещают рабочие версии статей; материалы общедоступны, но не проходят полное рецензирование, поэтому результаты следует считать предварительными и, по возможности, сверять с обновленными версиями или рецензируемыми журналами. arxiv.org